Operations Research — auch Unternehmensforschung genannt — übersetzt reale Planungs- und Entscheidungsprobleme in mathematische Modelle und löst sie mit Algorithmen. Statt aus dem Bauch heraus oder per Tabellenkalkulation zu entscheiden, wird systematisch die beste (oder eine nachweislich sehr gute) Lösung unter allen relevanten Regeln gefunden.
Ein einfaches Beispiel: Ein Lieferfahrzeug soll mehrere Stopps anfahren. Aus dem Bauch heraus fährt man die Stopps grob in der Reihenfolge ab, wie sie hereinkommen. Operations Research berechnet dagegen die Route, die unter Zeitfenstern, Kapazitäten und Fahrerregeln nachweislich kurz ist — und zeigt auch, wie viel das gegenüber der Bauchgefühl-Lösung tatsächlich einspart.
Was soll minimiert oder maximiert werden? Zum Beispiel Gesamtkosten, gefahrene Distanz, Wartezeit oder Auslastung — meist mehrere Ziele, die gegeneinander abgewogen werden müssen.
Worüber wird eigentlich entschieden? Welche Route, welches Tor, welcher Zeitpunkt, welche Zuordnung — die Stellschrauben, die das Modell am Ende für Sie setzt.
Welche Regeln müssen zwingend eingehalten werden? Kapazitäten, Zeitfenster, Fahrerregeln, gesetzliche Vorgaben — genau diese Nebenbedingungen machen reale Probleme so viel schwerer als das Lehrbuchbeispiel.
Der Algorithmus durchsucht anschließend den riesigen Raum aller zulässigen Kombinationen — bei realen Problemgrößen weit mehr, als sich je von Hand oder in Excel durchprobieren ließe — und liefert eine nachweislich gute oder sogar beweisbar optimale Lösung.
Überall dort, wo dieselbe Art von Entscheidung wiederholt getroffen wird und bessere Lösungen sich direkt in Kosten oder Kapazität niederschlagen — typischerweise in Logistik, Produktion, Ressourcenplanung und zunehmend auch im Gesundheitswesen:
Machine Learning beantwortet meist die Frage „Was wird wahrscheinlich passieren?“ — etwa eine Nachfrageprognose. Operations Research beantwortet die Frage „Was soll ich jetzt tun?“ — die konkrete Entscheidung unter bekannten Regeln und Zielen.
In der Praxis ergänzen sich beide oft: Eine ML-Prognose liefert die Eingabedaten (z. B. erwartete Nachfrage je Region), ein Optimierungsmodell trifft darauf aufbauend die eigentliche Planungsentscheidung (z. B. wie viele Fahrzeuge wohin).
Das lässt sich meist schon in einem kurzen, kostenlosen Erstgespräch einschätzen. Oder probieren Sie zuerst eine der interaktiven Demos aus.